Machine learning aided parameter analysis in Perovskite X-ray Detector

Sintesi Tecnica: Analisi dei Parametri Assistita dal Machine Learning nei Rivelatori di Raggi X a Perovskite

Definizione del Problema
I rivelatori di raggi X a perovskite promettono risultati significativi per applicazioni nella diagnostica medica, nella sicurezza e nei test non distruttivi, grazie ai loro elevati coefficienti di assorbimento e ai band gap regolabili. Tuttavia, l'ottimizzazione delle prestazioni del dispositivo — specificamente sensibilità, limite di rilevamento e corrente di buio — è ostacolata dalla complessa interazione di numerose proprietà intrinseche del materiale. Fattori quali i parametri del reticolo cristallino, la dinamica dei portatori, la densità di trappola e la composizione atomica creano un sistema non lineare in cui le relazioni specifiche che governano le prestazioni rimangono ampiamente sconosciute. Gli approcci tradizionali basati su tentativi ed errori faticano a navigare in questo spazio di parametri ad alta dimensionalità, specialmente quando l'obiettivo è ottenere simultaneamente un'alta sensibilità e basse densità di corrente di buio inferiori a 1 nA cm⁻².

Metodologia
Questo studio impiega un framework di machine learning (ML) per decodificare le relazioni tra 15 proprietà intrinseche dei materiali a perovskite alogenata e quattro metriche chiave delle prestazioni del dispositivo: band gap ($E_g$), prodotto mobilità-tempo di vita dei portatori ($\mu\tau$), sensibilità e limite di rilevamento.

1. Costruzione del Database: Un database completo è stato compilato da 136 articoli di ricerca esistenti e un nuovo dataset sperimentale, per un totale di 137 campioni. Ogni campione include 23 caratteristiche, tra cui numeri atomici ($Z_A, Z_B, Z_X$), costanti reticolari ($a, b, c$), angoli reticolari e varie proprietà elettroniche. I valori mancanti sono stati stimati sulla base di dati bibliografici comparabili, con un peso ridotto applicato a questi campioni stimati durante l'addestramento per mitigare potenziali errori.
2. Addestramento del Modello: Cinque algoritmi di regressione sono stati addestrati sul dataset normalizzato per predire le metriche di prestazione target: Regressione Lineare Multivariata (MLR), Random Forest Regression (RFR), eXtreme Gradient Boosting (XGBoost), Support Vector Regression (SVR) e Genetic Programming Symbolic Regressor (GPSR).
3. Analisi delle Caratteristiche: L'importanza delle caratteristiche è stata classificata utilizzando la permutazione dell'importanza (permutation importance) per identificare quali parametri intrinseci influenzano più significativamente le variabili target.
4. Validazione Sperimentale: Per verificare le predizioni del ML in un contesto reale, una nuova perovskite a base di piombo a bassa dimensionalità, (m-F-PEA)₂PbI₄, è stata sintetizzata tramite cristallizzazione per raffreddamento di temperatura. Un rivelatore di raggi X monocristallino è stato fabbricato e caratterizzato per confrontare i risultati sperimentali con le predizioni del modello.

Risultati Chiave

• Prestazioni del Modello: Il modello Random Forest Regression (RFR) ha dimostrato le prestazioni più robuste, in particolare per la predizione del band gap ($E_g$), raggiungendo un $R^2$ di test di 0,80. Tuttavia, i modelli hanno mostrato una precisione predittiva inferiore per $\mu\tau$, sensibilità e limite di rilevamento (valori di $R^2$ di test compresi tra 0,02 e 0,17), suggerendo che l'attuale set di caratteristiche potrebbe non catturare completamente i predittori necessari per questi obiettivi complessi.
• Importanza delle Caratteristiche:
  • Band Gap ($E_g$): Il numero atomico del metallo nel sito B ($Z_B$) è stato identificato come il fattore più critico che influenza il band gap. Ciò è coerente con i principi fisici in cui gli elementi del sito B (ad es., Pb, Bi o molecole organiche) determinano direttamente la struttura elettronica. Una formula di regressione simbolica derivata da GPSR, $E_g = \log(Z_B \times Z_X) + \sqrt{Z_B}$, ha ulteriormente confermato la dominanza dei numeri atomici dei siti B e X, indicando al contempo che il sito A ha un impatto diretto trascurabile sulla struttura a banda.
  • Prodotto Mobilità-Tempo di Vita ($\mu\tau$): È stato riscontrato che il parametro della lunghezza reticolare $b$ ha il maggiore impatto su $\mu\tau$. Le variazioni in questo parametro reticolare influenzano la curvatura della banda, la massa efficace e la densità dei difetti, influenzando così il trasporto dei portatori.
• Verifica Sperimentale: Il cristallo singolo di (m-F-PEA)₂PbI₄ sintetizzato ha esibito un band gap di 2,29 eV, che corrisponde strettamente alla predizione RFR di 2,23 eV. Il dispositivo ha dimostrato una sensibilità di 1033,7 µC Gy⁻¹ cm⁻² e un limite di rilevamento di 1,41 µGy s⁻¹. Sebbene vi siano state lievi deviazioni nei valori predetti per sensibilità e limite di rilevamento, i risultati sperimentali hanno validato l'applicabilità generale dell'approccio ML. Il dispositivo ha inoltre esibito un'eccellente stabilità, con una bassa deriva della corrente di buio e un'alta ripetibilità su 1254 cicli.

Significato e Rivendicazioni
Gli autori affermano che questo lavoro fornisce un passo fondamentale verso la progettazione basata sui dati di rivelatori di raggi X a perovskite. Costruendo un database open-source e applicando il ML, lo studio ha identificato con successo che il numero atomico del sito B è il determinante primario del band gap e che il parametro reticolare $b$ è cruciale per le proprietà di trasporto dei portatori.

L'articolo conclude modestamente che, sebbene i modelli ML, in particolare RFR, siano promettenti nell'identificare i descrittori chiave del materiale, la precisione predittiva per metriche di prestazione complesse come la sensibilità e il limite di rilevamento richiede ulteriori affinamenti. Gli autori suggeriscono che il lavoro futuro dovrebbe concentrarsi sull'espansione del set di caratteristiche e sul miglioramento della qualità dei dati per potenziare la generalizzabilità del modello. Raccomandano esplicitamente l'uso continuativo della Random Forest Regression per l'analisi delle applicazioni dei rivelatori di raggi X a perovskite, grazie alla sua capacità di gestire relazioni non lineari e outlier inerenti ai dati sperimentali. Lo studio non sostiene di aver risolto interamente la sfida della corrente di buio, ma evidenzia l'utilità del ML nel restringere i parametri critici per l'ottimizzazione del materiale.